基于筆形相似的文本校對算法及其接口原型系統(tǒng)的研究.pdf

1、中文文本自動(dòng)校對，屬于自然語言處理的應(yīng)用基礎(chǔ)研究范疇，其目的是要實(shí)現(xiàn)一個(gè)能達(dá)到一定校對目標(biāo)的人機(jī)交互式計(jì)算機(jī)輔助校對系統(tǒng)。自上世紀(jì)90年代以來，出版業(yè)電子化迅猛發(fā)展、辦公及日常文檔處理的數(shù)字化迅速普及，這就要求人們在短時(shí)間內(nèi)處理大量的電子文檔，而處理過程中難免出現(xiàn)錯(cuò)誤。因此電子文檔的校對任務(wù)越來越重，中文文本自動(dòng)校對成為一項(xiàng)亟待解決的研究課題。 近年來不少研究者已經(jīng)在文本自動(dòng)分詞、上下文依存分析、文本語義分析、查錯(cuò)糾錯(cuò)模型的構(gòu)建

2、等方面做了不少研究，但由于漢語理論研究的局限性和漢語言本身的特點(diǎn)，現(xiàn)有系統(tǒng)的整體性能離實(shí)際需求還有相當(dāng)大的差距。 不同的輸入途徑造成文本的錯(cuò)誤也是不同的。拼音輸入、語音輸入導(dǎo)致了發(fā)音近似錯(cuò)誤的發(fā)生，而筆型輸入、OCR技術(shù)則導(dǎo)致了外形相近或相似錯(cuò)誤的發(fā)生。 近年來，OCR技術(shù)日漸成熟，目前的OCR識(shí)別系統(tǒng)對印刷體文本的正確識(shí)別率理論值可達(dá)97％左右。隨著識(shí)別正確率的提高，人們對OCR識(shí)別軟件的使用頻率會(huì)越來越高，然而在實(shí)際

3、識(shí)別中由于漢字字形變化劇烈，待識(shí)別文本圖像噪聲干擾嚴(yán)重等因素，漢字識(shí)別的正確率會(huì)有所降低。而OCR識(shí)別導(dǎo)致的主要錯(cuò)誤就是形近或者形似錯(cuò)誤，因此，如何對該類錯(cuò)誤進(jìn)行文本自動(dòng)校對是一個(gè)必須解決的問題。 本文在調(diào)研了國內(nèi)外相關(guān)的自動(dòng)校對研究之后，結(jié)合漢語的實(shí)際情況，充分分析了人在識(shí)別漢字形似字的常規(guī)思路，提出了基于筆形相似的文本校對算法。算法執(zhí)行過程就是對人識(shí)別形似字過程的模擬：當(dāng)系統(tǒng)根據(jù)用戶當(dāng)前操作判定該處文本可能錯(cuò)誤時(shí)，系統(tǒng)即啟動(dòng)